Autonomní pojízdné prodejny: AI mění distribuci potravin

Většina lidí řeší „AI v potravinách“ hlavně na poli a ve výrobě: predikce výnosů, sledování škůdců, optimalizace krmných dávek. Jenže úzké hrdlo často vzniká až potom – v distribuci. A tam se teď děje něco, co stojí za pozornost: autonomní pojízdné prodejny.

Na přelomu let 2025/2026 má začít postupné nasazování nové generace mobilních obchodů Robomart postavených na autonomní platformě (tzv. skateboard chassis) od PIX Moving. Je to „jen“ partnerství dvou firem? Ne tak docela. Je to signál, že AI a robotika se přesouvají z laboratoří do reálné logistiky potravin – a začínají měnit ekonomiku poslední míle, dostupnost čerstvého zboží i práci se zásobami.

Tenhle článek patří do série „Umělá inteligence v maloobchodu a e-commerce“. Tentokrát se podíváme na to, co mobilní autonomní prodejny znamenají pro potravinářství a proč by to mělo zajímat i zemědělce, výrobce, distributory a retailové týmy.

Proč jsou autonomní pojízdné prodejny víc než marketingový trik

Autonomní pojízdná prodejna je v praxi kombinace tří věcí: malého skladu, prodejního místa a doručovací služby. To je zásadní rozdíl oproti běžnému rozvozu, kde vozidlo jen přepravuje už připravenou objednávku.

Když se „obchod“ sám přesune tam, kde je poptávka, mění to hru v těchto bodech:

• Snížení nákladů na poslední míli: méně neúspěšných doručení, méně tras „na prázdno“, vyšší využití jedné jízdy.
• Vyšší dostupnost potravin: menší obce, okrajové části měst, místa bez plnohodnotné prodejny.
• Lepší práce s čerstvostí: kratší čas mezi skladem a zákazníkem, možnost držet chladicí režimy přímo v mobilní jednotce.

A tady se krásně propojuje retail s tím, co řeší zemědělství: předvídání poptávky, minimalizace odpadu a optimalizace dodavatelského řetězce. AI není jen „na poli“. AI je dnes stejně důležitá i na ulici.

„Skateboard chassis“: proč je platforma důležitější než samotné auto

PIX Moving staví autonomní podvozkovou platformu, na kterou se dá „posadit“ různá nástavba. Přesně to Robomart potřebuje: jednou chcete menší pojízdný convenience obchod, jindy větší modul s širším sortimentem, jindy specializovanou jednotku jen pro chlazené zboží.

Platformový přístup má jednu velkou výhodu: škálování a rychlejší iterace.

• Hardware (podvozek, senzory, řízení) se vyvíjí jako standard.
• Nástavby (komory, chladicí zóny, regály, výdejní boxy) se mění podle use-casu.

V evropském kontextu to připomíná rozdíl mezi tím „postavit si vlastní dodávku“ versus „mít standardizovaný podvozek a měnit jen nástavbu“ – podobně jako u komunálních vozidel nebo některých logistických flotil.

Kde je v tom AI: 5 vrstev inteligence, bez kterých to nepojede

Autonomní mobilní prodejna není jeden model. Je to stack – sada systémů, které musí fungovat současně. Tohle je pět vrstev, které rozhodují o tom, jestli projekt skončí u hezkého videa, nebo bude vydělávat.

1) Autonomní řízení a bezpečnost

Základ je samozřejmě autonomní pohyb: percepce okolí, predikce chování účastníků, plánování trajektorie. V retailu je důležité i to, že vozidlo často jezdí v obytných zónách a musí řešit „měkké“ situace: děti, cyklisty, chaotické parkování, dočasné překážky.

Pro byznys je podstatné jedno: bezpečnostní režimy a schopnost provozu v omezených zónách (např. kampusy, rezidenční areály, průmyslové parky) bývají první realistická fáze nasazení.

2) Predikce poptávky a plánování tras v reálném čase

Tady se z autonomního vozidla stává AI produkt. Pojízdný obchod musí vědět, kam jet a kdy, jinak nebude mít obrat.

Dobře nastavený systém pracuje s kombinací signálů:

• historické nákupy podle lokality a dne v týdnu,
• počasí a sezónnost (v prosinci například roste poptávka po „rychlé večeři“ a drobných nákupech na poslední chvíli),
• lokální události (sport, kulturní akce, školní akce),
• stav zásob v jednotce a očekávané doplnění.

Pointa: nejlepší trasa není nejkratší, ale nejvýdělečnější.

3) Dynamický sortiment a mikro-zásoby (micro-fulfillment)

Mobilní prodejna má omezený prostor. To znamená, že musí mít sortiment poskládaný chytře – podle marže, obrátkovosti a „role v košíku“.

Praktický příklad: pokud AI ví, že v určité lokalitě se večer prodávají hlavně hotová jídla a nápoje, ale současně lidé často přihodí pečivo nebo dezert, dává smysl držet:

• menší šířku značek,
• více „spolehlivých tahounů“,
• a pár lokálních specialit pro odlišení.

V českém prostředí by to mohlo znamenat třeba mix: hotová jídla, saláty, ovoce, mléčné výrobky, pečivo, káva/čaj, základní drogistické položky. Ne 5 variant téhož.

4) Chladicí řetězec a kvalita: AI jako hlídač teplot

U potravin rozhoduje teplota. Mobilní prodejna je v podstatě „pojízdná lednice“, a tady má AI jasné využití:

• predikce tepelné zátěže podle venkovní teploty,
• optimalizace spotřeby energie,
• alarmy a automatické vyřazení šarže při odchylce,
• doporučení rychlejšího prodeje u citlivých položek.

Tohle je přímý most k zemědělství a potravinářství: méně odpadu a lepší dohledatelnost je dnes tvrdá ekonomika, ne hezká CSR věta.

5) Zákaznická zkušenost: bezobslužný prodej, personalizace, pricing

Mobilní obchod musí být jednoduchý: identifikace zákazníka, výběr, platba, případně věkové ověření. AI do toho vstupuje v personalizaci a cenotvorbě:

• personalizované nabídky podle lokality a času,
• doporučení „co se hodí k tomu, co kupujete“,
• dynamické slevy pro snížení ztrát (např. u krátké trvanlivosti).

Důležité je nepřestřelit to. V retailu jsem opakovaně viděl, že příliš agresivní personalizace působí rušivě. Lepší je být „užitečný“, ne „vlezlý“.

Co partnerství Robomart × PIX Moving naznačuje pro potravinový řetězec

Robomart dříve používal (podle dostupných informací) upravené dodávky s řidičem a ukazoval koncept autonomní varianty. Teď jde cestou platformy PIX Moving a počítá s tím, že nové jednotky se začnou postupně nasazovat ke konci roku 2025.

To je zajímavé hned ze tří důvodů:

1. Přechod z prototypu do flotily: fáze „máme demo“ končí. Fáze „musíme to servisovat, řídit a počítat návratnost“ začíná.
2. Standardizace hardware: když je podvozek platforma, snižuje se technická roztříštěnost a roste provozní spolehlivost.
3. Flexibilita formátů prodeje: menší i větší „obchody“ mohou sdílet jeden technický základ.

A teď to hlavní: tohle není jen o pohodlí zákazníků. Je to tlak na celý potravinový řetězec, aby uměl pracovat s:

• rychlejší rotací zásob,
• menšími distribučními dávkami,
• přesnější predikcí poptávky,
• a vyšší mírou automatizace.

Jak by podobný model mohl fungovat v Česku (a kde narazí)

Autonomní pojízdné prodejny dávají největší smysl tam, kde je kombinace dostatečné poptávky a omezené dostupnosti. V Česku vidím tři realistické startovní scénáře:

1) Kampusy, areály a uzavřené lokality

Univerzity, business parky, nemocnice, velké výrobní areály. Jasně vymezená infrastruktura, předvídatelné špičky, jednodušší bezpečnostní režim.

2) Menší obce a „potravinové bílé skvrny“

Ne všude se vyplatí udržet klasickou prodejnu. Mobilní formát může fungovat jako moderní obdoba pojízdné prodejny – jen s lepší logikou zásob a možností předobjednávek.

3) Městské čtvrti s drahými nájmy

Tam, kde je vysoký provoz, ale nájem a personál dělají z malé prodejny finanční nesmysl, může pojízdný formát pokrýt špičku (ráno, oběd, večer).

Kde to bude bolet

• Regulace a odpovědnost: kdo nese odpovědnost při incidentu, jak se řeší schvalování tras, parkování a provoz v zónách.
• Vandalismus a bezpečnost zboží: bezobslužný retail musí mít promyšlenou ochranu a monitoring.
• Ekonomika baterií a chlazení: chladicí režimy jsou energeticky náročné, bez dobré optimalizace to bude drahé.

Realita? Nejde o to, jestli to půjde. Jde o to, kde to půjde první a za jakých podmínek.

Praktický checklist: co si z toho vzít pro AI v maloobchodu a e-commerce

Pokud pracujete v retailu, logistice nebo potravinářství a přemýšlíte, co dělat už teď (ještě než u vás bude jezdit autonomní prodejna), tohle je sada kroků, které mají okamžitý dopad:

1. Zpřesněte predikci poptávky na úroveň lokality a hodiny. Denní agregace je pro mobilní prodej málo.
2. Zaveďte „teplotní data jako first-class metriku“. Nejen HACCP papírově, ale živě: senzory, alarmy, trendy.
3. Pracujte s mikro-sortimentem a rolí položek v košíku. Co je tahoun, co doplněk, co impuls.
4. Vyčistěte produktová data (názvy, alergeny, trvanlivost, logistické jednotky). Bez dat kvality se AI v retailu rychle zadrhne.
5. Pilotujte automatizaci tam, kde to nebolí značku. Třeba v interních areálech nebo B2B výdejních místech.

Jedna věta, kterou si hlídám: „Autonomie bez dobrých dat je jen drahé dálkově řízené auto.“

Co bude dál: od „obchodu na zavolání“ k chytré síti distribuce

Autonomní pojízdné prodejny jsou logický pokračovatel trendu, který v maloobchodu vidíme už roky: zboží se přibližuje zákazníkovi. Rozdíl je v tom, že s AI a robotikou se z toho stává řízená síť, ne jen další doručovací služba.

Pokud se model osvědčí, čekejte tlak na:

• přesnější plánování výroby a dodávek (méně „na sklad“),
• krátké distribuční cykly pro čerstvé zboží,
• propojení predikcí z retailu zpět do potravinářství a zemědělství.

A to je přesně místo, kde se naše kampaň „Umělá inteligence v zemědělství a potravinářství“ potkává s realitou retailu: optimalizace potravinového systému je end-to-end problém. Od pole přes výrobní linku až po to, co zákazník skutečně koupí.

Chcete posoudit, jestli by se pro váš sortiment hodil mobilní formát (nebo aspoň jeho data a principy)? Nejlepší začátek je překvapivě jednoduchý: vezměte posledních 90 dní prodejů, přidejte lokaci, čas, počasí a trvanlivost – a zkuste najít místa, kde dnes ztrácíte peníze „jen“ špatným načasováním a zásobou. Co kdyby za rok část těchto ztrát řešil obchod, který za zákazníkem prostě přijede?